희귀 사건 시뮬레이션을 위한 메타모델 기반 중요도 샘플링

본 논문은 구조 신뢰성 해석에서 희귀 사건(극히 낮은 실패 확률) 발생 가능성을 추정하는 전통적인 몬테카를로(MC) 방법이 요구하는 방대한 시뮬레이션 비용을 극복하고자, 메타모델(특히 kriging)과 중요도 샘플링(Importance Sampling, IS)을 결합한 새로운 추정 프레임워크를 제시한다. 1. **서론** - 구조 시스템의 안전성을 확률적 모델 X와 성능 함수 g(x) 로 정의하고, 실패 사건 F={g(x)≤0} 의 확률 pf 를 추정한다. - MC는 무편향하지만, pf 가 10⁻⁶ 이하인 경우 샘플 수 N 이 수백만에 달해 실용적이지 않다. - 기존 대안은 (a) 서브스티튜트 모델(1차·2차 FORM/SORM, 다항식 응답 표면, 신경망, SVM, kriging) 사용, (b) 분산 감소 기법(importance sampling, subset simulation 등) 적용이다. 서브스티튜트 모델은 정확도 검증이 어려워, 분산 감소 기법은 여전히 고비용이다. 2. **마진 메타모델 기반 확률적 분류** - 메타모델을 “모델의 모델”이라 정의하고, 입력 설계점 X={x₁,…,x_m} 을 통해 관측값 g(x_i) 를 수집한다. - kriging은 가우시안 프로세스 G(x)=f(x)ᵀβ+Z(x) 로 가정하고, 평균 μ̂_G(x)와 분산 σ̂_G²(x) 를 최대우도 추정한다. 관측점에서는 정확히 일치(σ̂_G(x_i)=0)한다. - 확률적 분류 함수 P